论文部分内容阅读
随着科技的不断进步,湖泊水质监测的手段也越来越丰富,这就意味着我们可以获得更多的数据源,但不同的数据具有不同的时间和空间尺度。与此同时,在国内外众多学者的不懈努力下,开发了大量的水质参数遥感估算反演模型,但不同的模型都具有其“局限性”,只能从某个层面反映“真值”。基于上述考虑,本研究以太湖为研究区,以叶绿素a浓度为研究对象,首先,利用数据同化方法,结合不同遥感估算模型的模型误差,实现太湖叶绿素a浓度的多模型协同反演;其次,利用数据同化方法,结合水体动力学模型,融合浮标、平台等观测数据及卫星影像数据,构建适合于太湖的叶绿素数据同化系统;最后,基于已构建的太湖叶绿素数据同化系统,分别以GOCI数据和浮标、平台数据为观测数据,进行了太湖叶绿素a浓度估算与预测实验。这将为多数据源、多尺度、多模型、多传感器的联合应用提供新的方法,从而克服现有的水体水质参数反演算法的不足,最终提高水质参数的反演精度。基于以上研究和分析,主要得出以下结论:(1)基于数据同化方法的多模型协同反演算法,通过对多个反演模型的反演结果进行有效加权,可以有效融合不同模型的优点,改善单模型反演精度较低区域的反演结果,从而整体提高反演精度,有利于水环境质量监测和评价。以2006~2009年太湖野外实测数据为例,最终遴选出6个反演效果较好的太湖叶绿素a浓度遥感估算模型,分别为:波段比值模型、三波段模型、四波段模型、Dall’Olmo模型、Gitelson模型和徐京萍模型,模型的平均绝对误差(MAPE)分别为29%、32%、35%、25%、27%、25%,均方根误差(RMSE)分别为13.19μg/L、14.21μg/L、28.35μg/L、14.78μg/L、13.98μg/L‘15.71μg/L、进而利用多模型协同反演算法,从6个反演模型中任意选取2至6个模型参与多模型协同反演。结果表明:当6个反演模型都参与多模型协同反演时,反演效果最好,MAPE为23.4%,RMSE为14.58μg/L;同时,随着参与多模型协同反演的模型个数的增加,反演效果也越好。(2)基于集合的卡尔曼滤波数据同化方法,可以提高太湖叶绿素a浓度的估算和预测精度。利用集合均方根滤波,结合太湖水体动力学模型,构建了太湖叶绿素数据同化系统。通过观测模拟实验(OSSE),分析和评价了太湖叶绿素数据同化系统的有效性和适用性。当浮标布设于梅梁湾时,同化实验结果较控制实验结果精度提高了65%;当浮标布设于湖心区时,同化实验结果较控制实验结果精度提高了57%;但当浮标布设于湖心区时,叶绿素a浓度分布更加连续和稳定;考虑到水质监测的需求,建议将浮标和平台布设于拖山附近。进而分别以GOCI数据和浮标、平台数据作为观测数据,利用数据同化系统进行了太湖叶绿素同化实验。当以GOCI数据为观测数据时,将同化结果、控制实验结果分别与多模型协同反演结果进行对比,全湖MAPE分别为45%和125%,决定系数分别为0.71和0.41;将同化结果、控制实验结果分别与地面实测叶绿素a浓度进行对比,MAPE分别为28%和161%,RMSE分别为9.57μg/L和55.66μg/L。当以浮标、平台数据为观测数据时,在同化阶段,对于平台站点,MAPE从218%降低到27%, RMSE从16.23μg/L降低到2.97μg/L;对于浮标站点,MAPE从1125%降低到98%,RMSE从17.29μg/L降低到3.98μg/L;在预测阶段,对于平台站点,MAPE从139%降低到3%;对于浮标站点,MAPE从2001%降低到468%。(3)太湖叶绿素数据同化系统对于不同参数的敏感性将直接影响到该系统能否准确的估算太湖叶绿素a浓度的分布。在敏感性分析实验中,分析和评价了样本数目、同化时长、背景场误差、观测误差和模型误差对于同化系统性能的影响。结果表明:从计算成本、系统运行时间和同化效果等方面分析,当集合样本数目达到30至40左右时同化系统取得了较好的结果;同化系统对于背景场误差的估计变化并不是很敏感,即初始场的估计是否准确对于同化系统影响不是很大;同化系统对于模型误差和观测误差的变化较为敏感,此外,由于水体动力学性质不一,不同的测试点位其敏感性的表现形式有所差异;利用数据同化方法可以有效的估算太湖叶绿素a浓度。